生成对抗网络是一种非常成功的生成建模算法。Radford等人提出的DCGAN体系结构。之所以非常吸引人，是因为与诸如渐进式GAN （Progressively-Growing GANs）或StackGAN 之类的东西相比，它易于实现。DCGAN架构与Vanilla GAN非常相似，不同之处在于，对生成器和鉴别器架构进行了修改，以包括卷积和strided卷积层。
在此实验中，试图查看DCGAN是否可以生成低分辨率的篮球鞋。这些图像（如下所示）最初为360 x 360，但已下采样为45 x 45，以方便使用GAN。
在讨论所使用的体系结构和该实现的其他细节之前，可以看到以下结果：
当像这样堆叠在网格中并进一步转换为灰度时……上面的鞋子图像看起来并不差，但是下面的图像更准确地表示了DCGAN在该实验中的真实结果和令人失望的结果……
如Radford等人在论文中详细介绍的，使用了许多相同的架构优化，例如使用学习率为0.0002和beta_1参数为0.5的Adam优化器，在各处使用BatchNorm层，但生成器的输入和鉴别器的输出，以及发生器中几乎相同的上采样设计。
我使用GANs-in-Action repo中的代码DCGAN.ipynb来开始该项目。此repo的独特之处，以及在自定义数据集上自行实现此操作时需要执行的操作。
首先，data loader函数允许加载自定义数据并将像素值重新缩放为[0–1]，（Raford等人在发生器上使用[-1,1]和tanh激活函数，但我发现更好结果为[0,1]和sigmoid激活函数）。其次，代码向您展示了如何重新配置 生成器网络的upscaling过程，以适应您的自定义数据维度。就我而言，使用MNIST的代码输出为28x28x1，需要将最终输出尺寸更改为45x45x3。
为了获得更好的输出，我目前正在研究更改生成器网络的体系结构，并通过Adam优化器上的超参数进行迭代。此外，该实验是在NVIDIA 1060 GPU上运行的，每1k迭代大约需要2分钟。
References- Generative Adversarial Networks. Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio. 2014.
- Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. Alec Radford, Luke Metz, Soumith Chintala. 2015.
- Progressive Growing of GANs for Improved Quality, Stability, and Variation. Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen. 2017.
- StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks. Han Zhang, Tao Xu, Hongsheng Li, Shaoting Zhang, Xiaogang Wang, Xiaolei Huang, Dimitris Metaxas. 2016.
